一种污水处理曝气控制系统的制作方法

文档序号:17937080发布日期:2019-06-15 01:52
一种污水处理曝气控制系统的制作方法

本发明涉及智能控制领域,特别是涉及一种污水处理曝气控制系统。



背景技术:

活性污泥法是污水处理领域常用的工艺技术,鼓风曝气是确保活性污泥法污水处理工艺正常运行的关键,目前国内外学者提出多种控制方法,包括人工控制、简单回路反馈控制、模糊控制及“前馈+模型+反馈”控制等。但上述控制方法均存在一定的缺点:

人工控制过程中,操作人员根据操作经验,开启一定数量的鼓风机和曝气器,但当工艺运行条件发生变化需要调节曝气量时没有量化的依据,需要反复调试,且达到平衡时间较长。曝气池内溶解氧(DissolvedOxygen,DO)过低或过高的情况发生较为频繁,不但造成出水水质不稳定,而且造成了曝气能量浪费。

简单回路反馈控制一是采用DO检测仪和电动调节阀作为简单的控制回路,当曝气池内的DO值大于某一个设定值时,关闭阀门;当DO值小于某一个设定值时则打开阀门。二是采用比例-积分-微分控制器(Proportion-Integral-Differential,PID)进行定值调节,根据曝气池中DO反馈信号与DO设定值进行比较,将偏差通过PID运算后传给阀门的行程控制器调节阀门的开度,进而控制池内的DO值。该控制方式存在以下问题:一是由于时间延迟,即从开始曝气到池内DO变化需要一段时间,造成溶解氧的控制波动很大;二是过大的波动会使得池内的生物环境不稳定,干扰生物系统的工作;三是生物池阀门频繁调节,导致磨损大,增加维修成本。

模糊控制能将操作者或专家的控制经验和知识表示成语言变量描述的控制规则,然后用这些规则去控制系统。因此,模糊控制特别适用于数学模型未知的、复杂的非线性系统的控制。正是基于模糊控制这些特点,近年来它已成为污水处理自控系统的研究热点和最有希望获得实质性突破的研究领域。但目前污水处理过程中多采用基于模糊规则的反馈控制方式,亦存在简单回路反馈控制所述的问题。

基于“前馈+模型+反馈”的多参数控制模式,多是根据国际水协会的活性污泥模型(ActivatedSludgeModel,ASM)实时精确地计算出曝气池内所需的曝气量,并通过调节鼓风机实现溶解氧的精细化控制,降低曝气能耗。但ASM系列模型组分复杂多样,且需要十多个或几十个动力学参数和化学计量参数,这些参数测定过程复杂繁琐,偏差较大。

因此,急需寻求合适的鼓风曝气控制模式,以确保污水处理出水水质稳定达标,污水处理工艺设备稳定运行。



技术实现要素:

本发明的目的是提供一种污水处理曝气控制系统,自动预测污水处理出水水质、鼓风曝气所需曝气量,根据预测结果自动对鼓风机和阀门进行调节,确保出水水质稳定达标。

为实现上述目的,本发明提供了如下方案:

一种污水处理曝气控制系统,所述控制系统包括:

进水水质传感器、进水流量传感器、出水化学需氧量COD传感器、曝气池氨氮NH4-N传感器、污泥浓度MLSS传感器、溶解氧含量DO传感器、液位传感器、压力传感器、风量调节阀、流量计、PLC控制器、上位机、数据服务器、鼓风机控制柜以及鼓风机;

所述进水水质传感器,用于对污水进水水质进行检测,得到进水水质数据;

所述进水流量传感器,用于对污水进水流量进行检测,得到进水流量数据;

所述出水化学需氧量COD传感器,用于对出水化学需氧量COD进行检测,得到出水化学需氧量COD数据;

所述氨氮NH4-N传感器,用于对曝气池中氨氮NH4-N进行检测,得到氨氮NH4-N数据;

所述污泥浓度MLSS传感器,用于对曝气池中污泥浓度MLSS进行检测,得到污泥浓度MLSS数据;

所述溶解氧含量DO传感器,用于对曝气池中DO值进行检测,得到DO值;

所述液位传感器,用于对曝气池中的污水液位进行检测,得到液位数据;

所述压力传感器,用于对鼓风曝气管道中的压力进行检测,得到压力数据;

所述风量调节阀,用于对曝气池风量进行调节;

所述流量计,用于对鼓风曝气管道中的曝气流量进行检测,得到流量数据;

所述PLC控制器,分别与所述进水水质传感器、进水流量传感器、出水化学需氧量COD传感器、曝气池氨氮NH4-N传感器、污泥浓度MLSS传感器、DO传感器、液位传感器、压力传感器、风量调节阀、流量计及上位机连接;用于将所述进水水质数据、进水流量数据、出水化学需氧量COD数据、氨氮NH4-N数据、污泥浓度MLSS数据、DO值、液位数据、压力数据、调节阀开度及风量数据发送至所述上位机;以及根据所述上位机回传的第一数据对所述风量调节阀的开度进行调整;

所述上位机,与所述数据服务器连接,用于将所述进水水质数据、进水流量数据、出水化学需氧量COD数据、氨氮NH4-N数据、污泥浓度MLSS数据、DO值、液位数据、压力数据、调节阀开度及风量数据按指定的频率转存到数据服务器中;

所述数据服务器,一方面用于存储所述进水水质数据、进水流量数据、出水化学需氧量COD数据、氨氮NH4-N数据、污泥浓度MLSS数据、DO值、液位数据、压力数据、调节阀开度及风量数据;另一方面,根据所述进水水质数据、所述进水流量数据、所述出水化学需氧量COD数据、所述氨氮NH4-N数据、所述污泥浓度MLSS数据、DO值、压力数据以及液位数据计算污水处理出水水质、曝气量、DO目标值、鼓风机出口风量、出口最小压力,并根据计算结果判断鼓风机、风量调节阀是否需要调整;同时将所述出水水质、所述曝气量、所述DO目标值、所述鼓风机出口风量、所述出口最小压力及所述判断结果传回至所述上位机;

所述鼓风机控制柜,分别与所述鼓风机以及所述上位机连接,用于根据所述上位机回传的第二数据,对鼓风机进行控制;

其中,第一数据包括出水水质、曝气量、DO目标值;

第二数据包括鼓风机出口风量、出口最小压力。

可选的,所述进水水质传感器具体包括:

进水化学需氧量COD传感器,与PLC控制器连接,用于检测进水化学需氧量COD,得到进水COD数据,并将所述进水化学需氧量COD数据发送至所述PLC控制器;

进水NH4-N传感器,与PLC控制器连接,用于检测进水NH4-N,得到进水NH4-N数据,并将所述进水NH4-N数据发送至所述PLC控制器;

进水PH值传感器,与PLC控制器连接,用于检测进水PH值,得到进水PH值,并将所述进水PH值发送至所述PLC控制器。

可选的,所述数据服务器包括:

数据存储单元,与所述上位机连接,用于存储所述进水水质数据、所述进水流量数据、所述出水化学需氧量COD数据、所述氨氮NH4-N数据、所述污泥浓度MLSS数据、所述DO值、所述压力数据、所述液位数据、所述调节阀开度以及所述风量数据;

出水水质预测单元,与所述数据存储单元连接,用于对出水水质进行预测,并将预测结果保存至数据存储单元;

曝气量和DO值预测单元,与所述数据存储单元连接,用于对曝气量和DO值进行预测,并将预测结果保存至数据存储单元;

鼓风机出口压力计算单元,与所述数据存储单元连接,用于计算满足曝气池风量要求的鼓风机出口处的最小压力,并将计算结果保存至数据存储单元;

曝气量调整单元,与所述数据存储单元连接,用于计算曝气量;

控制策略单元,与所述数据存储单元连接,用于判断鼓风机、风量调节阀的是否需要调整,并将判断结果保存至数据存储单元。

可选的,所述出水水质预测单元对出水水质进行预测具体包括:

以进水COD、进水NH4-N、进水PH值、进水流量、曝气池风量、MLSS、DO值为输入参数,利用出水水质预测单元对曝气池NH4-N和出水COD进行预测;

所述出水水质预测单元是根据污水处理厂历史运行数据,以进水COD、进水NH4-N、进水PH值、进水流量、曝气池风量、MLSS、DO为输入参数,以曝气池NH4-N和出水COD为输出参数,采用BP神经网络算法所建立。

可选的,所述曝气量和DO值预测单元对曝气量和DO值进行预测具体包括:

以进水COD、进水NH4-N、进水PH值、进水流量、曝气池NH4-N、MLSS、出水COD为输入参数,利用曝气量和DO值预测单元对曝气池曝气量和DO进行预测;

所述曝气量和DO值预测单元是根据污水处理厂历史运行数据,以进水COD、进水NH4-N、进水PH值、进水流量、曝气池NH4-N、曝气池MLSS和出水COD为输入参数,以曝气池风量和DO值为输出参数,采用BP神经网络算法所建立。

可选的,所述鼓风机出口压力计算单元具体采用以下公式:

其中,PsF为鼓风机出口处的最小压力,ρw为曝气池内液体密度,g为重力加速度,h为曝气池液面高度,λ为管道摩擦阻力系数,L为管道长度,D为管道直径,ρg为管道中空气密度,v为管道中空气流速,K为阀门的流阻系数。

可选的,所述曝气量调整单元具体包括:

以DO值偏差e和偏差变量率ec为输入参数,利用模糊控制模型计算曝气池曝气量,所述DO偏差值为DO目标值和测量值的差值;

所述模糊控制模型是根据污水处理厂历史运行数据,以DO值偏差e和偏差变量率ec为输入参数,以曝气池曝气量为输出参数所建立的Mamdani模糊控制器。

可选的,所述判断鼓风机、风量调节阀的是否需要调整,并将判断结果保存至数据存储单元具体包括:

当出水水质预测单元预测的曝气池NH4-N和出水COD均满足污水处理厂出水指标要求时,鼓风机和风量调节阀不进行调整;

当出水水质预测单元预测的曝气池NH4-N和出水COD不满足污水处理厂出水指标要求时,则根据曝气量和DO值预测单元、鼓风机出口压力计算单元计算曝气量、鼓风机风量、出口最小压力对鼓风机和风量调节阀进行自动调整;

鼓风机和风量调节阀调整后将曝气池DO传感器所测DO值与曝气量和DO值预测单元预测DO目标值进行对比,若满足预先设定的误差要求,则鼓风机和风量调节阀不在进行调整;反之则根据曝气量调整单元计算出的曝气量再次对鼓风机、风量调节阀进行精细调整,直至DO目标值和测量值满足预先设定的误差要求为止。

根据本发明提供的具体实施例,本发明公开了以下技术效果:

本发明中的污水处理智能曝气控制系统,通过设置,PLC控制器、进水水质传感器、进水流量传感器、出水化学需氧量COD传感器、曝气池氨氮NH4-N传感器、污泥浓度MLSS传感器、DO传感器、液位传感器、上位机、曝气算法模块以及鼓风机控制柜,一方面适应进出水工艺参数变化,能够根据进水水质、出水要求等动态调整DO值和曝气池风量,按需曝气,确保出水COD、NH4-N稳定达标;另一方面,该控制系统降低了鼓风机和阀门调节频率,提高设备使用寿命,降低维护成本,确保污水处理高效、工艺稳定运行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。

图1为本发明实施例污水处理曝气控制系统结构示意图;

图2为本发明实施例BP神经网络结构示意图。

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

本发明的目的是提供一种污水处理曝气控制系统,自动预测污水处理出水水质、鼓风曝气所需曝气量,根据预测结果自动对鼓风机和阀门进行调节,确保出水水质稳定达标。

为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例污水处理曝气控制系统结构示意图,如图1所示,本发明提供一种污水处理曝气控制系统,所述控制系统包括:

进水水质传感器1、进水流量传感器2、出水化学需氧量COD传感器3、曝气池氨氮NH4-N传感器4、污泥浓度传感器5、溶解氧含量DO传感器6、压力传感器7、液位传感器8、PLC控制器9、上位机10、风量调节阀11、流量计12、数据服务器13以及鼓风机控制柜14、鼓风机15;

所述进水水质传感器1,用于对污水进水水质进行检测,得到进水水质数据;

所述进水流量传感器2,用于对污水进水流量进行检测,得到进水流量数据;

所述出水化学需氧量COD传感器3,用于对出水化学需氧量COD进行检测,得到出水化学需氧量COD数据;

所述氨氮NH4-N传感器4,用于对曝气池中氨氮NH4-N进行检测,得到氨氮NH4-N数据;

所述污泥浓度MLSS传感器5,用于对曝气池中污泥浓度进行检测,得到污泥浓度数据;

所述溶解氧含量DO传感器6,用于对曝气池中DO值进行检测,得到DO值;

所述液位传感器8,用于对曝气池中的污水液位进行检测,得到液位数据;

所述压力传感器7,用于对鼓风曝气管道中的压力进行检测,得到压力数据;

所述风量调节阀11,用于对曝气池风量进行调节;

所述流量计12,用于对鼓风曝气管道中的曝气流量进行检测,得到流量数据;

所述PLC控制器9,分别与所述进水水质传感器1、进水流量传感器2、出水化学需氧量COD传感器3、曝气池氨氮NH4-N传感器4、污泥浓度MLSS传感器5、溶解氧含量DO传感器6、液位传感器8、压力传感器7、风量调节阀11、流量计12及上位机10连接;用于将所述进水水质数据、进水流量数据、出水化学需氧量COD数据、氨氮NH4-N数据、污泥浓度MLSS数据、DO值、液位数据、压力数据、调节阀开度及风量数据发送至所述上位机;以及根据所述上位机回传的第一数据对所述风量调节阀的开度进行调整;

所述上位机10,与所述数据服务器13连接,用于将所述进水水质数据、进水流量数据、出水化学需氧量COD数据、氨氮NH4-N数据、污泥浓度MLSS数据、DO值、液位数据、压力数据、调节阀开度及风量数据按指定的频率转存到数据服务器13中。

所述数据服务器13,一方面用于存储所述进水水质数据、进水流量数据、出水化学需氧量COD数据、氨氮NH4-N数据、污泥浓度MLSS数据、DO值、液位数据、压力数据、调节阀开度及风量数据;另一方面,根据所述进水水质数据、所述进水流量数据、所述出水化学需氧量COD数据、所述氨氮NH4-N数据、所述污泥浓度MLSS数据、DO数据、压力数据以及液位数据计算污水处理出水水质、曝气量、DO目标值、鼓风机出口风量、出口最小压力,并根据计算结果判断鼓风机、风量调节阀是否需要调整;同时将所述出水水质、所述曝气量、所述DO目标值、所述鼓风机出口风量、所述出口最小压力及所述判断结果传回至所述上位机;

所述鼓风机控制柜14,分别与鼓风机以及所述上位机10连接,用于根据所述上位机回传的第二数据,对鼓风机进行控制;

其中,第一数据包括出水水质、曝气量、DO目标值;

第二数据包括鼓风机出口风量、出口最小压力。

具体的,所述进水水质传感器具体包括:

进水化学需氧量COD传感器,与PLC控制器连接,用于检测进水化学需氧量COD,得到进水化学需氧量COD数据,并将所述进水化学需氧量COD数据发送至所述PLC控制器;

进水NH4-N传感器,与PLC控制器连接,用于检测进水NH4-N,得到进水NH4-N数据,并将所述进水NH4-N数据发送至所述PLC控制器;

进水PH值传感器,与PLC控制器连接,用于检测进水PH值,得到进水PH值,并将所述进水PH值发送至所述PLC控制器。

具体的,所述数据服务器13包括:

数据存储单元,与所述上位机连接,用于存储所述进水水质数据、所述进水流量数据、所述出水化学需氧量数据、所述氨氮NH4-N数据、所述污泥浓度MLSS数据、所述DO值、所述压力数据、所述液位数据、所述调节阀开度以及所述风量数据;

出水水质预测单元,与所述数据存储单元连接,用于对出水水质进行预测,并将预测结果保存至数据存储单元;

曝气量和DO值预测单元,与所述数据存储单元连接,用于对曝气量和DO值进行预测,并将预测结果保存至数据存储单元;

鼓风机出口压力计算单元,与所述数据存储单元连接,用于计算满足曝气池风量要求的鼓风机出口处的最小压力,并将计算结果保存至数据存储单元;

曝气量调整单元,与所述数据存储单元连接,用于计算曝气量;

控制策略单元,与所述数据存储单元连接,用于判断鼓风机、风量调节阀的是否需要调整,并将判断结果保存至数据存储单元。

具体的,所述出水水质预测单元对出水水质进行预测具体包括:

以进水COD、进水NH4-N、进水PH值、进水流量、曝气池风量、MLSS、DO值为输入参数,利用出水水质预测单元对曝气池NH4-N和出水COD进行预测;

所述出水水质预测单元是根据污水处理厂历史运行数据,以进水COD、进水NH4-N、进水PH值、进水流量、曝气池风量、MLSS、DO为输入参数,以曝气池NH4-N和出水COD为输出参数,采用BP神经网络算法所建立。

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络,其基本思想是利用梯度搜索技术,使网络的实际输出值和理想输出值的误差均方差为最小。BP神经网络算法包括信号的前向传播和误差的反向传播两个过程。前向传播过程中,输入信号通过隐含层作用于输出节点,经过非线性变换产生输出信号,若实际输出与理想输出误差较大,则进行误差的反向传播。误差反向传播是将输出误差通过隐含层向输入层逐层反传的过程,通过调整输入层节点与隐含层节点、隐含层节点与输出层节点的权值和阈值,使误差沿梯度方向下降。经过反复学习训练,确定与最小误差相对应的网络权值和阈值,网络停止训练。

根据BP神经网络原理,其建模过程分以下四步:

①数据样本搜集。本发明所搜集数据样本为污水处理厂进水COD、进水NH4-N、进水PH值、进水流量、曝气池风量、混合液污泥浓度、DO值、曝气池NH4-N和出水COD。

②神经网络类型、结构及相关初始参数的确定。如图2所示,本发明采用三层神经网络结构,即输入层、隐含层和输出层。附图2中x1、x2…xm代表神经网络的输入信号,W1、W2分别为输入层与隐含层、隐含层与输出层之间的权值矩阵,O1、O2…On代表神经网络的输出号。模型输入参数为7个,输出参数为2个,故输入层节点数为7,输出层节点数为2。

③网络的训练及模型确定。随机初始化权重和阈值,对样本数据进行训练,当满足误差要求时训练结束,隐含层节点数及输入层与隐含层、隐含层与输出层之间的权值和阈值通过数据样本训练确定。

④利用所建神经网络模型进行实际应用。各参数确定后即可利用所建神经网络模型预测曝气池NH4-N和出水COD。

具体的,所述曝气量和DO值预测单元对曝气量和DO值进行预测具体包括:

以进水COD、进水NH4-N、进水PH值、进水流量、曝气池NH4-N、MLSS、出水COD为输入参数,利用曝气量和DO值预测单元对曝气池曝气量和DO进行预测;

所述曝气量和DO值预测单元是根据污水处理厂历史运行数据,以进水COD、进水NH4-N、进水PH值、进水流量、曝气池NH4-N、曝气池MLSS和出水COD为输入参数,以曝气池风量和DO值为输出参数,采用BP神经网络算法所建立。

模型同样采取三层神经网络结构,即输入层、隐含层和输出层,输入层节点数为7,输出层节点数为2,隐含层节点数及输入层与隐含层、隐含层与输出层之间的权值和阈值通过数据样本训练确定。各参数确定后即可利用所建神经网络模型预测曝气池风量和DO值。

其中,所述鼓风机出口压力计算单元具体采用以下公式:

其中,PsF为鼓风机出口处的最小压力,ρw为曝气池内液体密度,g为重力加速度,h为曝气池液面高度,λ为管道摩擦阻力系数,L为管道长度,D为管道直径,ρg为管道中空气密度,v为管道中空气流速,K为阀门的流阻系数。

具体的,所述曝气量调整单元具体包括:

以DO值偏差e和偏差变量率ec为输入参数,利用模糊控制模型计算曝气池曝气量,所述DO偏差值为DO目标值和测量值的差值;

所述模糊控制模型是根据污水处理厂历史运行数据,以DO值偏差e和偏差变量率ec为输入参数,以曝气池曝气量为输出参数所建立的Mamdani模糊控制器。过程如下:

①先采集所要控制曝气池内的在线溶解氧值,构造在线DO值与设定DO值的偏差及其偏差的变化率两组向量,作为模糊控制器的输入。

②制定模糊控制规则表。采用双输入、单输出的结构,将输入输出变量的值域模糊化,为其建立语言变量论域,并确定对应隶属度;在此基础上,制定模糊条件语句,生成模糊控制规则集。

③当外部输入变量落入语言变量论域上,根据推理合成规则求出其输出语言变量论域上的模糊集合,将输出的集合反模糊化,得到曝气池风量。

具体的,所述判断鼓风机、风量调节阀的是否需要调整,并将判断结果保存至数据存储单元具体包括:

当出水水质预测单元预测的曝气池NH4-N和出水COD均满足污水处理厂出水指标要求时,鼓风机和风量调节阀不进行调整;

当出水水质预测单元预测的曝气池NH4-N和出水COD不满足污水处理厂出水指标要求时,则根据曝气量和DO值预测单元、鼓风机出口压力计算单元计算曝气量、鼓风机风量、出口最小压力对鼓风机和风量调节阀进行自动调整;

鼓风机和风量调节阀调整后将曝气池DO传感器所测DO数据与曝气量和DO值预测单元预测DO目标值进行对比,若满足预先设定的误差要求,则鼓风机和风量调节阀不在进行调整;反之则根据曝气量调整单元计算出的曝气量再次对鼓风机、风量调节阀进行精细调整,直至DO目标值和测量值满足预先设定的误差要求为止。

具体实施过程中,基于所建模型,采用“前馈+反馈”的控制模式对污水处理工艺正常运行过程进行控制,具体控制过程为:

(1)进水水质传感器、进水流量传感器、出水化学需氧量COD传感器、曝气池氨氮NH4-N传感器、污泥浓度MLSS传感器、DO传感器、液位传感器、压力传感器、风量调节阀和流量计所监测数据经PLC控制系统、上位机监控系统传输至数据存储单元进行存储后,出水水质预测单元首先预测曝气池NH4-N和出水COD,若两者均满足污水处理厂出水指标要求,则工艺正常运行,鼓风机和风量调节阀不进行调整。

(2)若模型预测曝气池NH4-N和出水COD不满足污水处理厂出水指标要求,由曝气量和DO值预测模型预测污水处理厂出水指标要求下的曝气池风量和DO目标值,根据该风量利用气体在鼓风管道流动模型自动计算鼓风机出口处的最小压力,进而对鼓风机和风量调节阀进行自动调整。

(3)调整后将曝气池所测DO值与上述模型预测DO目标值进行对比,若满足一定误差要求,则工艺正常运行;反之则根据模糊控制器输出结果对曝气池风量进行精细调整,直至DO目标值和测量值满足一定误差要求为止。

本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1
日本极品a级片 欧美a级片 欧美阿v在线免播播放 在线阿v视频欧美在99线